PulseAugur
实时 12:45:46
English(EN) SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation

SCAPO 框架从单一 3D 观测中估计铰接姿态

研究人员开发了 SCAPO,一种新颖的自监督框架,用于从单一 3D 观测中估计铰接姿态。该方法不需要密集监督、多帧输入或 CAD 模板,并能有效地将几何与关节分离。SCAPO 利用 SE(3) 等变自编码器进行规范空间对齐,并利用关节感知混合蒙皮模块来模拟部件运动,在合成和真实世界数据集上均优于现有的自监督方法。 AI

影响 引入了一种用于铰接姿态估计的自监督方法,有望改进机器人操作和 3D 场景理解。

排序理由 这是一篇详细介绍铰接姿态估计新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Can Zhang, Gim Hee Lee ·

    SCAPO: Self-Supervised Category-Level Articulated Pose Estimation from a Single 3D Observation

    arXiv:2606.01940v1 Announce Type: new Abstract: Existing methods for category-level object articulation from a single 3D observation often rely on dense supervision, multi-frame inputs, or CAD templates, and still struggle to disentangle geometry from articulation or to recover e…